Caffe深度學習框架下的電力系統(tǒng)異常數據智能捕獲研究

陳華彬

摘要：文章基于Caffe深度學習框架構建了一種電力系統(tǒng)異常數據智能捕獲系統(tǒng)，從自動化協(xié)議棧的多層架構、異常數據拷貝及數據捕獲映射條件等方面進行具體異常數據智能捕獲分析，驗證了該體系的實際異常數據處理量及處理效率等。

關鍵詞：Caffe深度學習框架；電力系統(tǒng)；數據異常；自動捕獲

中圖分類號：TP391

文獻標志碼：A

0 引言

現(xiàn)代電力系統(tǒng)技術的不斷進步及其網絡覆蓋范圍的飛速提升，使電力系統(tǒng)的結構和運行模式空前復雜。受諸多因素如電力系統(tǒng)量測量誤差等的影響，在對電力系統(tǒng)的某些數據進行測量時可能會出現(xiàn)一定的誤差。這種誤差的存在會給電力系統(tǒng)的整體預測和精準分析形成干擾^［1］。因此，電力系統(tǒng)異常數據的捕獲工作至關重要。深度學習可以對所研究對象樣本數據的表示層次與內在作用規(guī)律進行描述。將深度學習應用于電力系統(tǒng)，可以通過清洗電力數據、設置異常檢測標簽編碼條件等方式實現(xiàn)電力系統(tǒng)異常數據的智能捕獲。因此，本文結合Caffe深度學習框架，構建了一種電力系統(tǒng)異常數據智能捕獲系統(tǒng)，并對該系統(tǒng)的工作能力進行驗證，旨在為我國電力系統(tǒng)的智能化發(fā)展提供借鑒。

1 系統(tǒng)構建需求

1.1 電力系統(tǒng)異常數據的高精度捕獲

傳統(tǒng)的電力系統(tǒng)異常數據捕獲大多采用模糊C均值聚類法等方式實現(xiàn)。這類方法的工作原理是通過統(tǒng)計電力系統(tǒng)往期兩時刻間數據變化范圍，對比待檢測日相同時間段的數據變化范圍，判斷待檢測日電力系統(tǒng)數據是否符合正常的指標，得出是否存在異常數據等結論。這種方法通常在檢測單個異常數據時較為有效，而在系統(tǒng)中異常數據較多時往往難以獲得精準的數據捕獲結果。因此，在構建電力系統(tǒng)異常數據智能捕獲系統(tǒng)時，需要借助先進的深度學習框架等，提升系統(tǒng)的異常數據尤其是大段異常數據的捕獲精度。

1.2 電力系統(tǒng)異常數據的高效率捕獲

在一般的電力系統(tǒng)中，個別節(jié)點處出現(xiàn)的異常數據往往難以在極短的時間內被捕獲。此時容易因為個別節(jié)點的數據異常而導致電力系統(tǒng)傳輸電子的精準化處理能力下降^［2］。數據捕獲效率越高則越容易幫助電力系統(tǒng)及時處理異常數據。傳統(tǒng)的電力系統(tǒng)多采用計算暫存異常電子數據量，然后采用既定節(jié)點處電信系統(tǒng)承載能力確定等方法實現(xiàn)異常數據捕獲，工作效率較低且會隨時間的延長而逐漸降低。本文所構建的電力系統(tǒng)異常數據智能捕獲系統(tǒng)，將會著重強調保證系統(tǒng)長時間工作的前提下不會出現(xiàn)工作效率明顯下滑的問題。

2 系統(tǒng)構建

2.1 系統(tǒng)框架

基于Caffe深度學習的電力系統(tǒng)異常數據智能捕獲系統(tǒng)主要包括異常數據自動捕獲和數據分析兩個主要模塊。本文構建的電力系統(tǒng)異常數據智能捕獲系統(tǒng)框架如圖1所示。

數據分析模塊主要由學習節(jié)點、電網監(jiān)測主機、異常數據集合3部分組成。學習節(jié)點直接對接數據捕獲模塊，是深度學習模塊獲取電網系統(tǒng)異常數據的最前端；電網監(jiān)測主機主要作用為以物理形式對接學習節(jié)點與異常數據集合，既可以通過數據傳輸通道實現(xiàn)學習節(jié)點關于捕獲異常數據的向上傳遞，又可以根據深度學習結果將異常數據平均分配給各學習節(jié)點；異常數據集合將電網監(jiān)測主機獲取的異常數據進行收集，再通過分析、整合將異常數據轉換為既定格式的存儲應用參量。

數據捕獲模塊主要由電力數據清洗、異常檢測標簽編碼、自動化協(xié)議棧等部分組成。電力數據清洗指在數據捕獲模塊獲得電力系統(tǒng)的海量數據以后，首先對這些數據進行抗感染處理，以消除數據中的臟數據或錯誤數據；異常檢測標簽編碼指針對電力系統(tǒng)異常數據設置的必要判別條件，異常檢測標簽編碼的設定需要依靠Caffe深度學習模塊經過學習以后為其分配數量值；自動化協(xié)議棧負責為Caffe深度學習框架下的異常數據捕獲提供必要的連接協(xié)議信息，通過拷貝異常數據、設置科學的異常數據捕獲節(jié)點條件實現(xiàn)Caffe深度學習模塊對異常數據的獲取^［3］。

2.2 核心功能實現(xiàn)

根據圖1所示的框架結構，本文搭建的Caffe深度學習框架下的電力系統(tǒng)異常數據智能捕獲系統(tǒng)核心功能包括電力數據清洗、異常檢測標簽編碼、自動化協(xié)議棧等。

2.2.1 電力數據清洗

電力數據清洗的主要目的是消除電力數據中能夠影響電力系統(tǒng)異常數據智能捕獲的臟數據、錯誤數據等。電力數據清洗是開展后續(xù)一切操作的基礎。通常情況下電力數據的清洗包含5個環(huán)節(jié)，如圖2所示。

數據清洗的第一步是去除或補全缺失的數據。缺失值是電力系統(tǒng)中極為常見的數據問題，通過明確缺失值范圍、計算每個字段缺失值比例并按照比例和字段重要性分別制定去除/補全缺失數據的策略即可。數據清洗的第二步是去不需要的字段。在對第一步獲得的數據進行備份以后直接刪掉錯誤數據即可。但在去除或修改格式內容錯誤數據之前必須進行小規(guī)模的數據實驗，防止刪除錯誤。數據清洗的第三步是去除或修改邏輯錯誤的數據，根據電力數據邏輯的差異采取以業(yè)務知識/經驗推測進行填充、以同一個指標計算的結果進行填充、以不同的指標計算的結果進行填充等方法。數據清洗的第四步是重新取數，針對指標重要性較高但是缺失率也較高的數據以人工形式從電力系統(tǒng)原始數據中調取相關數據進行補全。

2.2.2 異常檢測標簽編碼

通常情況下電力系統(tǒng)所形成的異常數據都具有較為明顯的特征參量，但在進行具體的異常數據識別時仍必須賦予異常數據一定的判別條件。假設e₀表示電力系統(tǒng)異常數據的最小檢測標簽編碼條件，e_n表示最大編碼條件，P表示電力系統(tǒng)異常檢測標簽編碼，則P可以用式（1）進行表示：

其中，β表示非常規(guī)電力系統(tǒng)數據的自動化檢測處理權限，電力系統(tǒng)分析管理人員可以根據自身實際需求進行設定；σ^-表示電力系統(tǒng)異常數據的捕獲輸出均值量，該值通常由不同電力系統(tǒng)異常數據特征值參量的差值決定；Q表示電力系統(tǒng)異常數據的清洗能力；t·是既定的標簽編碼系數。

2.2.3 自動化協(xié)議棧

自動化協(xié)議棧主要由數據捕獲映射條件、異常數據拷貝兩部分組成。自動化協(xié)議棧的價值主要集中在兩方面：一方面，自動化協(xié)議?？梢酝ㄟ^多層架構及ICE 61850等設備實現(xiàn)對電力系統(tǒng)異常數據智能捕獲節(jié)點的有效調配，從而將電力系統(tǒng)中出現(xiàn)的異常數據整合為獨立的傳輸主體，為數據分析模塊中數據節(jié)點的數據分析和傳輸提供便利^［4］；另一方面，自動化協(xié)議棧可以通過形成數據捕獲映射條件，有效防止電力系統(tǒng)中異常數據對電網監(jiān)測主機的干擾。

（1）異常數據拷貝。

異常數據的拷貝是以消耗大量的服務器內存的形式實現(xiàn)異常數據的預處理。其優(yōu)點在于可以大幅縮短系統(tǒng)智能捕獲異常數據的時間，提升檢測異常數據標簽編碼的執(zhí)行速率。假設W為電力系統(tǒng)異常數據的拷貝數值，則該值可以通過式（2）進行表達：

其中，d表示待檢測電力系統(tǒng)在某一時間段內表現(xiàn)出的異常數據感知參量；ΔT表示與異常數據感知參量對應時間段的單位時長；τ_n和τ₁分別表示對應異常數據感知參量形成時間段第n個和第1個輸入的電力系統(tǒng)異常數據拷貝信息參量；l表示電網異常數據的特征拷貝參量。

（2）制定數據捕獲映射條件。

數據捕獲映射條件的制定主要圍繞電力系統(tǒng)異常數據原始存在節(jié)點位置信息等展開^［5］。在實際的數據捕獲映射條件制定中，通過數據驅動映射、數據前移等確定數據捕獲的映射條件。

3 系統(tǒng)驗證

3.1 系統(tǒng)實驗環(huán)境

為驗證本文構建的電力系統(tǒng)異常數據智能捕獲系統(tǒng)，以目前常用的Map-Reduce 框架和ISODATA 聚類算法框架搭建的電力系統(tǒng)異常數據智能捕獲系統(tǒng)作為對比項A和B開展系統(tǒng)性能對比分析。實驗采用的電力系統(tǒng)環(huán)境模擬了發(fā)電機、升壓變壓器構成的發(fā)電部、二次高壓變配電所、低壓變配電站、工廠及一般用戶等。

3.2 結果分析

如表1所示為實驗組與對比組在單位時間異常數據電子傳輸處理量方面的對比結果。該值越高則表明系統(tǒng)處理異常數據量的極限值越高。

從表1中數據可知，一方面，實驗組在5，10，15，20 min時的單位時間異常數據電子傳輸處理量均高于對比組A和對比組B，表明本文構建的電力系統(tǒng)異常數據捕獲極限強度高于另外兩組。另一方面，實驗組在實驗時間由5 min延長至20 min的過程中，異常數據電子傳輸處理量始終穩(wěn)定在8.3×10¹⁴T/min左右，而另外兩組的處理量則明顯處于下降趨勢，表明本文構建的電力系統(tǒng)異常數據智能捕獲系統(tǒng)工作能力不會隨處理時間的延長而下降。

實驗組與對比組在處理相同量電力系統(tǒng)異常數據時消耗的時間對比情況如表2所示。在數據處理量由1 Mb提升至5 Mb的時候，實驗組處理異常數據的耗時始終穩(wěn)定在2.5 s左右，而對比組A、B兩組的處理耗時均在逐漸提升。這與表1所體現(xiàn)的結果得到了相互驗證，即本文構建的系統(tǒng)在處理電力系統(tǒng)異常數據時的效率更穩(wěn)定，不會因為處理量的提升或處理時間的延長而下降。

4 結語

電力系統(tǒng)異常數據捕獲是幫助電力系統(tǒng)實現(xiàn)穩(wěn)定運營的關鍵。本文認為，在結合Caffe深度學習框架的基礎上構建電力系統(tǒng)異常數據智能捕獲系統(tǒng)，在系統(tǒng)數據處理極限值和處理效率方面均優(yōu)于傳統(tǒng)的電力系統(tǒng)異常數據捕獲方法，可以為電力系統(tǒng)提供更為穩(wěn)定、高效的異常數據捕獲、分析功能等。

參考文獻

［1］葉寬，楊博，朱戎，等.基于深度學習的電力系統(tǒng)異常數據自動捕獲方法［J］.電子設計工程，2022（9）：162-165，170.

［2］鄂長江，李少甫，齊藝軻.單粒子多瞬態(tài)誘導的組合電路軟錯誤敏感性評估［J］.微電子學與計算機，2019（11）：16-19.

［3］王喆，張維軍，高國梁，等.基于自適應采樣的輸電線路分布參數測量系統(tǒng)設計［J］.電子設計工程，2020（12）：26-29，34.

［4］毛艷，鄧桃，魏杰，等.±1 100 kV線路金具電場仿真與電暈特性［J］.高電壓技術，2019（4）：1137-1145.

［5］黃林，常健，楊帆，等.基于改進K-means的電力信息系統(tǒng)異常檢測方法［J］.深圳大學學報（理工版），2020（2）：214-220.

（編輯 王雪芬）

Research on the intelligent capture of abnormal data of power system under Caffe deep learning framework

Chen Huabin

（Guizhou Qianchi Information Co.， Ltd.， Guiyang 550002， China）

Abstract： Based on Caffe deep learning framework， this paper constructs an intelligent abnormal data capture system for power system， analyzes specific abnormal data intelligent capture from the multi-layer architecture of automation protocol stack， abnormal data copy and data capture mapping conditions， and verifies the actual abnormal data processing capacity and processing efficiency of the system.

Key words： Caffe deep learning framework; electric power system; abnormal data; automatic capture